一种建筑立面边缘特征关键点提取方法技术

本发明专利技术公开了一种建筑立面边缘特征关键点提取方法，属于三维建模领域。本发明专利技术首先通过对局部邻域内建立的协方差矩阵的特征值来计算三维点云中每个点的置信度；然后定义三维空间中每个点的梯度，再将三维点云的梯度信息编码为结构张量；结构张量的特征值可以表示局部点云的梯度分布情况，从而将建筑物点云的立面特征提取问题转换为分析结构张量的三个特征值的问题；将每个点的置信度和结构张量作为双阈值法的输入，判断当前被处理点是否为关键点；最后采用边缘细化算法对边缘特征点进行细化处理。本发明专利技术所提出的算法不仅精度高于现有直接从三维中提取边缘特征的方法，也优于基于Canny算子到二维图像进行边缘提取和细化的方法。法。法。

【技术实现步骤摘要】
一种建筑立面边缘特征关键点提取方法


[0001]本专利技术属于三维建模领域，更具体地说，涉及一种建筑立面边缘特征关键点提取方法。

技术介绍

[0002]边缘特征是物体几何特征的最显著的组成部分，作为最底层且最重要的特征边缘特征也是实现对地物场景理解、语义标注和三维抽象感知的基础。在计算机视觉的发展初阶阶段，绝大多数地物边缘检测算法均基于二维图像，毕竟在保证分辨率的基础上，图像的“线状”特征更加精确。另外在二维图像中地物的边缘特征具有明确的定义：是图像中特性(如像素灰度、纹理等)分布的不连续处，图像周围特性有阶跃变化或屋脊状变化的那些像素集合，也是图像信息最集中的地方。地物边缘是图像分割、图像理解及图像识别的重要特征。然后由于基于图像的边缘探测不能够充分反应复杂地物的三维几何，在基于三维的场景认知、几何表达等方面限制其进一步的发展。
[0003]近二十年来随着激光雷达传感器技术的提升，点云密度和精度显著提高，激光雷达点云已经能够充刻画物体的全局结构特征和局部细节几何，这使得从三维点云中精细提取出物体的边缘特征成为可能。即便如此，由于地物场景千变万化且扫描获取的点云中仍然会存在大量的噪声、离值点和由于地物遮挡和自遮挡带来的大量的点云数据的缺失，使得对地物边界特征的智能提取带来了巨大的挑战。另外本申请的专利技术人也注意到在三维点云中，对地物边缘的界定亦尚不明确，缺乏统一的定义。相比传统的图像特征提取，基于点云的地物特征的提取仍亟待完善。结合现有文献中对于三维点云中数据边缘的讨论，以及图像处理中对于边缘的定义，本专利技术确将三维点云边缘定义为以下三类点的集合：角点：三个相互不平行平面的交点；边界线：两个平面相交形成的交线，如建筑物立面与立面、建筑物立面与屋顶形成的边界线；边缘点：点云物体的外边界、物体内孔的边界(如：建筑物内窗户的窗框)或者是因为数据缺失引起的边界。
[0004]激光雷达点云的边缘特征提取是许多应用的基础，如三维重建、配准、目标检测、数据简化等。根据是否要借助于二维图像中的边缘特征提取方法，可以将现有的三维激光雷达点云中的边缘特征提取方法分为“基于图像的轮廓提取”和“激光雷达点云的轮廓提取”两类。
[0005]基于图像的轮廓提取：二维图像上的边缘检测算法比三维上的边缘检测算法成熟，因此很多方法都是将三维点云数据转换到二维图像上，利用二维图像上的边缘特征检测与提取方法，来对三维边缘特征进行处理。有的方法是将三维点云数据转换为二维灰度图像，如论文名称为：《从激光雷达数据和高分辨率图像中精确提取建筑物边界的新方法》，论文作者为：李慧、钟诚等，发表在《传感器检查》2013年3月，第33卷第2期，在该论文中首先根据三维点云生成对应的二维灰度图，将在二维灰度图中探测的边缘与三维点云配准以确定边缘点，该方法只针对建筑物屋顶轮廓提取；也有的方法是将三维点云转换为二值图，如论文名称为：点云数据自动建模框架，发表在《模式分析与机器智能学报》2013年3月，第35
卷第11期，在该论文中首先将激光雷达三维点云中的建筑物的屋顶点转换为二值图像，然后用二值图像中的边缘检测方法去提取屋顶轮廓；还有的方法是利用三维点云对应的二维灰度图和距离图像，如论文名称：《融合三维点云和二维图像数据的边缘提取》，发表在《智能世界新兴技术国际会议暨博览会(CEWIT)》2013年10月，它是在三维点云对应的二维灰度图和距离图像中检测边缘，合并多组边缘点得到最终的三维点云边缘数据，该方法可以提取建筑物的边界并规则化。“基于图像的轮廓提取”中还存在着无需将三维点云向二维图像转化的方法，但需要将图像与三维点云数据进行配准以确定精确的特征对应关系。例如，论文名称：《基于光学影像与激光雷达数据融合的改进建筑物边界提取算法》，发表在《光学》2013年11月，第124卷第22期，在该论文中首先在激光雷达点云中用过滤、建筑物检测、墙体点去除和屋顶斑块检测四个步骤来检测出屋顶粗糙边缘，然后把这些粗糙边缘投射到图像空间中进行精细边缘的提取，该方法在复杂环境下具有很强的鲁棒性；论文名称：《提出了一种基于激光雷达数据和图像的建筑物边界重建方法》，发表在《激光传感与成像及其应用》2013年9月，第8905卷第11期，在该论文中将单景的三维点云数据与单幅图像进行匹配，在对应图像中进行边缘检测，将它与三维点云相对应来获取三维点云的边缘，该方法计算复杂度低。
[0006]激光雷达点云的轮廓提取：三维点云数据包含物体结构信息与拓扑关系，因此也可以利用三维点云数据固有的曲率、法向量、梯度等信息来提取点云边缘特征。由于边缘点的曲率高于非边缘区域点的曲率，论文名称：《利用曲线自动配准密集地面激光扫描点云》，发表在《摄影测量与遥感学报》2014年9月，第95卷第10期，在该论文中使用局部曲率作为边缘指标，选择曲率高于给定阈值的点作为边缘,该方法适用于高质量点云中的小型物体的边缘提取。三维点云包含的信息中也可以获取除曲率之外的特征，如论文名称：《基于正态估计和图论的点云闭合锐边检测》，发表在《计算机辅助设计》2007年4月，第39卷第4期，在该论文中首先基于法向量估计来对边缘特征点进行提取，并将提取出的特征点处理为一个图结构来恢复尖锐的特征线，该算法速度快，且在工业应用中获得了较好的实际效果。在三维点云中，大多数边缘也可以看作是表面的交点。论文名称：《基于视觉的定位，使用从3D激光距离数据提取的边缘地图》，发表在《2010年机器人与自动化国际会议》2010年5月，在该论文中首先将点云分割成平面，然后通过计算相邻平面之间的相交线来定位边缘，但这种方法并不适用于提取小型物体的边缘。为了解决不能提取小型物体边缘的问题，论文名称：《基于邻域几何特性分析的三维点云边缘检测与特征线跟踪》，发表在《遥感》2016年9月，第8卷第9期，在该论文中将每个点的邻域点投影到局部平面上，然后根据邻域点在平面上的角度间隙来提取边缘点,这个方法能在小场景的高质量点云中取得良好的效果，但是对于大型复杂场景，涉及的参数调整将会比较麻烦。
[0007]参考上述对“基于图像的轮廓提取”和“激光雷达点云的轮廓提取”的描述可以发现，“基于图像的轮廓提取”是将三维点云数据转换到二维图像上，利用了较为成熟的二维图像边缘检测算法来提取各类边缘特征，但“基于图像的轮廓提取”忽略了三维点云的空间信息与拓扑关系，且在三维与二维转换过程中产生了很多的信息丢失，会导致结果精度偏低；而“激光雷达点云的轮廓提取”虽然利用了三维物体的空间信息与拓扑关系，但该类方法大多数只适用于特定物体(如：建筑物、道路等)的边缘检测，也要对原始的激光雷达点云数据进行分割、目标识别等步骤且很难控制所提取出的边缘的粗细程度。

技术实现思路

[0008]针对现有基于图像的轮廓提取法会导致信息丢失，结果精度偏低以及激光雷达点云的轮廓提取法只适用于特定物体的边缘检测且很难控制所提取出的边缘的粗细程度等问题，本专利技术提供一种建筑立面边缘特征关键点提取方法，能够从三维点云数据中精确提取建筑外立面的边缘特征关键点，并且能够自由控制边缘关键点细化的粒度，以增强建筑立面抽象表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建筑立面边缘特征关键点提取方法，其特征在于，包括如下步骤：步骤一：获取建筑立面的三维点云数据；步骤二：由三维点云数据中的点p
i
和其邻域球N内的所有点构建协方差矩阵，并根据协方差矩阵的特征值来逐点计算每个点的置信度C
i
，邻域球N的球心为p
i
；步骤三：计算三维点云数据中每个点的梯度G(x，y，z)，并将梯度G(x，y，z)沿空间坐标系中三个坐标轴的方向分解为三个分量；步骤四：根据梯度G(x，y，z)的三个分量构建结构张量M，并对结构张量M采用高斯权函数进行平滑处理；步骤五：结合每个点的置信度C
i
、梯度G(x，y，z)以及平滑处理后结构张量M，采用双阈值法判别当前点是否为初始关键点，并将所得到的所有初始关键点提取出来从而得到初始关键点集；步骤六：采用边缘细化算法对步骤五中得到的初始关键点集进行细化。2.根据权利要求1所述的一种建筑立面边缘特征关键点提取方法，其特征在于：步骤二中，每个点p
i
的置信度C
i
通过拟合质量C
f
和均匀分布性C
s
来表示：来表示：其中，n表示每个点置信度的静态尺度的数目，w表示每个点置信度的静态尺度的计数数目；拟合质量C
f
表示局部切平面在点p
i
处的拟合质量，计算公式为：处的拟合质量，计算公式为：均匀分布性C
s
为局部均匀采样性，计算公式为：其中，和表示协方差矩阵的三个特征值；p
i
的邻域点p
j
的坐标与邻域球N的几何中心的坐标相减得到3
×
1列向量，3
×
1列向量与其转置后的1
×
3行向量相乘得到3
×
3矩阵，将所有矩阵相加得到协方差矩阵；i、j分别表示点p
i
和邻域点p
j
的下标。3.根据权利要求2所述的一种建筑立面边缘特征关键点提取方法，其特征在于：邻域球N的半径为三维点云数据的平均密度的1.0倍、1.5倍或2.0倍。4.根据权利要求2或3所述的一种建筑立面边缘特征关键点提取方法，其特征在于：步骤三中，点p
i
的梯度G(x，y，z)的计算如下：定义函数f(x，y，z)为可微函数，三维空间中的方向向量u＝cos(α)A+cos(β)B+cos(γ)C，其中，A、B、C分别表示沿x、y、z坐标轴方向的单位向量，α，β，γ分别表示方向向量u与x、y、z坐标轴正方向的夹角，函数f(x，y，z)沿方向向量u的方向导数的计算公式为：其中t表示当前点p
i
和邻域点p
j
的距离；在离散点云中，可微函数f(x，y，z)表示点p
i
处的置信度，点p
i
的梯度G(x，y，z)与方向导数的关系公式如下：其中，C
i
和C
j
分别表示当前点p
i
和邻域点...

【专利技术属性】
技术研发人员：陈动，李静，邸少宁，向桂丘，万林承，李相宏，车顺豪，王佳迪，胡凡，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：